Anfang der 2020er sorgte ein KI-System für Jubelstürme in der Wissenschaft. Das Unternehmen DeepMind lancierte eine neue Version der Deep Learning-Software AlphaFold, das durch seine innovative Nutzung von künstlicher Intelligenz zur Vorhersage von Proteinstrukturen eine Vorreiterrolle in der Biotechnologie und Medizin einnimmt. Dieses Leuchtturmprojekt, das sich durch seine herausragenden Eigenschaften und beispielhafte Funktion auszeichnet zeigt, wie Forscher*innen mithilfe von KI neue Hypothesen aufstellen und Methoden verbessern. Überall dort, wo der technische Fortschritt in der Wissenschaft große Datens(ch)ätze angehäuft hat, nährt KI Hoffnungen auf Durchbrüche in hinreichend kurzer Zeit. Die moderne Mikroskopie zeigt: War früher ein Mangel an Daten das Problem so ist heute oft das Gegenteil die Regel. KI weckt die Hoffnung, das Datenvolumen schneller zu verarbeiten, um aussagekräftige Muster darin zu finden.
Seit 2023 beobachtet das Weltraumteleskop Euclid mehr als 30 Millionen Objekte in Entfernungen von mehr als zehn Milliarden Lichtjahren.
Was können wir aus diesen Bildern über die Naturgesetze lernen, die die Entstehung des Kosmos bestimmen? Oliver Hahn von der Forschungsgruppe Data Science in Astrophysics & Cosmology an der Uni Wien geht dieser Frage mithilfe von Simulationen im Supercomputer auf den Grund. Zusammen mit seinem Team will er das Universum modellieren: von der Entstehung der ersten Dichtefluktuationen nach dem Urknall bis zur heutigen Verteilung der Galaxien.
Durch Vergleiche dieser Simulationen mit Beobachtungen aus dem Weltraum wollen wir wissen: Sagt der Computer die tatsächliche Verteilung der Materie im Universum voraus? Oder ist das theoretische Modell unvollständig und es gibt noch unbekannte physikalische Prozesse?
Finden sich hier die fehlenden Puzzleteile um zu verstehen, was nach dem Urknall geschah und wie sich Galaxien und Galaxienhaufen formten?
"Unsere Simulationen sind langwierig und kostspielig", erklärt Oliver Hahn: "Machine Learning kann die zugrundeliegenden mathematischen Modelle vereinfachen." Wie das funktioniert? "Die KI gibt ein Ersatzmodell aus, mit dem die Berechnungen schneller laufen, ohne stark an Qualität einzubüßen. Oder man kann einzelne Simulationsschritte einsparen. Oft gibt man dadurch zwar ein bisschen Genauigkeit auf, kommt dafür aber schneller ins Ziel," setzt er fort.
Das Universum im Supercomputer nachbauen: Auch hier kommt KI zum Zug. "Machine Learning wird in meiner Forschung immer wichtiger, wenn auch in kleinen Schritten", sagt der Astrophysiker, "nicht nur, um Simulationen zu beschleunigen, sondern auch, um interessante und neue Muster in Beobachtungsdaten zu entdecken."
Lesen Sie hier den ganzen Artikel in der Rudolphina!
